Python 纸浆编程输出

我正在与一位合作者合作一个涉及线性规划的优化项目。我们都使用Coin或branch and cut解算器来解决问题。我使用基于Python的PuLP包构造.LP文件。我不完全确定合作者是如何创建他们的.LP文件的（当然不是使用Python），但本质上，我们有两个不同的系统为完全相同的问题生成.LP文件，即目标函数、变量和约束完全相同

我通常在Python中解决我的问题（

myProblm.solve（）

），但我也一直在生成一个.LP文件，并从命令行调用CBC解算器来解决这个文件（问题）。接下来，将从系统（Python或命令行）获得的输出与协作者获得的输出进行比较。[请注意，我这边的问题输出完全相同，无论是在纸浆中还是在命令行中解决。]

目标函数的值在我们之间很匹配，但其他细节并不完全匹配。例如，如果我们要解决这个问题，配料的总成本将完全相同，但配料的比例不同。知道为什么吗

我手动比较了我们的.LP文件，发现了一些差异。首先，约束和变量的顺序是不同的。换句话说，如果有5个约束，我的文件将它们列为

C1、C2、C5、C4、C3

，而相同的约束将列为

C1、C2、C3、C4、C5

。此外，我的Python代码将所有数字舍入到10的位置，而他的系统将它们舍入到1的位置。因此，某些变量的系数值略有不同

这些差异是否在解算器的精确输出中起作用

---

另外，下一个问题是：在解决线性规划优化问题时，我们应该做什么来获得完全相同的输出？哪些因素影响LP问题的解决？像.LP文件的结构这样的因素起作用了吗？如果我在不同的计算机上以完全相同的条件运行相同的LP文件，我会得到完全相同的输出吗？

因为一个LP问题有多个具有相同最优目标函数的解决方案，不同的解算器不能保证返回相同的解。当MIP问题使用分支和边界时，这个问题变得更加复杂。使用多线程或多处理几乎是不可能的

总之，要获得相同的解决方案，请生成完全相同的LP文件并使用相同的解算器进行求解。或者改变你的目标函数，这样就只有一个最优的解决方案（也许你更喜欢一些配料的排序，只需要稍微改变配料的成本）